در سالهای اخیر ، شبکه های عصبی،سلول خودکار و محاسبه ارزیابی که با افزایش توجه در تکنولوزی های محاسبه هوش دریافت می شود ، بوسیله پدیده ی طبیعی همزمانی گسترش می یابند . این تکنولوژی ها دارای توازن حداکثری ، خود پذیرشی ، خود سازمان دهی و پر از نیرومندی و سر زندگی در هوش محاسباتی است .
تکنیک بهینه سازی گروه مورچه ای (ACO) یکی از تکنیک های حل مشکل برانگیخته از عملکرد مورچه ها در یافتن مسیر های لانه ای نسبت به غذا و جستجوی جدید راه حلی مجازی برای حل مشکلات بهینه ترکیبی است و مؤفقیت چشمگیری را در سالهای اخیر بوجود آوردند. کاربرد همکاری مورچه ها در شکل غیر مستقیم ارتباطی بوسیله دنباله های فرمون معطر واسطه شده راه مطلوبی را نسبت به کارهای ارائه شده بوسیله هر دو اطلاعات استخراج شده که قابل دستیابی و جستجوی پیشرفته در ریشه جدید، قابل دستیابی است بنابراین ظرفیت احتمالی همگرائی نابهنگام سیستم بسیار حداقل می باشد که توسط دوریگو و دیگران مطرح گردید که الگوریتم گروهی مورچه ای برپایه دست یابی تحقیق بیونیکی (زنده شناختی )می باشد واین الگوریتم ها بطور مؤفقیت آمیز کاربردی بوده که مشکلات بهینه ترکیبی متفاوت را حل می کند ازقبیل :مشکل TSP ،مشکل ارزیابی درجه دوم ،مشکل فهرست بندی گروه شغلی ، مشکل نظم دهی مرتب ،مشکل ریشه ای ابزاری (VRP) ، کوچک کردن داده ها و ریشه ای کردن شبکه ای .استوتزل و هوس ،سیستم مورچه ای حداقلی – حداکثری که یک سیستم مورچه ای تغییر یافته می باشد را ارائه داده اند تا مشکل فروشندگی انتقالی را به کار برده (TSP). این مؤلفان به روشنی دو پارامتر ها ،کاربران با اهمیت را با حداکثر و حداقل سطوح دنباله ای ارائه داده اند که ارزش های آن را در روش وابسته به مشکل به منظور محدود کردن ارزش های دنباله دار احتمالی در فاصله حداقلی و حداکثری گزینش می کند علاوه بر آن ،MMAS سطوح دنباله دار را کنترل کرده تا حداکثر ارزش ها را راه اندازی کرده که منحصراً بهترین گروه مورچه ای را در هر تکرار شوندگی نسبت به دنباله های به روز شده جایز می داند بنابراین تغذیه مثبت را براساس نتایج حاصله بوجود می آورد . این دنباله ها هرگز یا به ندرت، تقویت کننده ها را بطور مداوم دارای حداقل سختی دنباله های معطر برجای مانده در ریشه ها قابل دستیابی است و خیلی به ندرت بوسیله مورچه ها گزینش می شود تا زمانی که آنها به ارزش برسند . پارامتر های فاصله زمانی حداکثری و حداقلی در عملکرد متقابل جستجوی نابهنگام در ممانعت از همگرائی اخیر نسبت به حداقل شدگی موقعیتی ،نگهداری برخی انواع استراتژی استنباطی در زمان مشابه مورد استفاده قرار می گیرد .ACD یک جستجوی جدید دوگانه برای حل مشکلات بهینه سازی ترکیبی است و دارای کاربردمؤفقیت آمیز در مشکلات بهینه سازی کاملاً فیزیکی پیچیده مورد استفاده قرار می گیرد .با وجود مرحله بهینه سازی گروه مورچه ای در چند مرحله قرار می گیرد :
1-مکانیسم گزینشی :بیشتر دنباله های فرمون برروی ریشه ،ظرفیت احتمالی بزرگتر در گزینش این ریشه
2-مکانیسم به روز شده : فرمون برروی ریشه می تواند قویتر ایجاد گردد هنگامی که مسیر مورچه ها بیشتر بوده و بنابراین بطور همزمان تدریجاً فرار بوده و بعنوان زمان مورد نیاز در عبور مورچه ها برروی ریشه ،محو می شود .
3- مکانیسم هماهنگ کننده : عملکرد هماهنگ کننده و ارتباطی متقابل بین مورچه ها در واقع بین "فرمون ها" ایجاد می گردد .
الگوریتم گروهی مورچه دارای کاربرد کاملی از قبیل مکانیسم بهینه شده در نهایت یافتن بهترین راه حل میان مبادلات اطلاعاتی و همکاری متقابل بین افراد است و این الگوریتم ها قادرند تا توانایی خیلی قوی داشته تا بهترین راه حل ها را پیدا کنند .
اگرچه ابزار محاسباتی کاملاً توزیع شده یک عامل متحرکی است که می تواند به برخی نتایج سرور /مراجعه کننده بوسیله انتقال کدهای خودشان فائق آمده است و این حالت به کامپیوتر میزبان انتقال می یابد و بوسیله این روش در کاربرد کامپیوتر های محلی انتقال می یابند و سپس به کامپیوتر میزبان می فرستند بنابراین یک عامل متحرک یکی از دستورات تحقیقی اصلی محاسبات توزیع شده است .
عوامل متحرک ممکن است از یک کامپیوتر میزبان به یک کامیوتر میزبان دیگر مطابق با نیاز مندی ها انتقال یابد و توانایی محاسبات کلی در کارهای محاسباتی توزیع شده به کار رفته جهانی و منابع کامپیوتری متعدد میزبان را تکمیل می کند .
چطور باید عوامل حرکتی را بین کامپیوتر های میزبان مطابق با انواع استراتژی های موجود در فرآیند اجرایی کارهای کامپیوتری با اهمیت پرسشگری انتقال دهیم ، چگونه کارایی عوامل محاسباتی و سرعت آنها را کامل کنیم و علاوه بر آن مشکلات ریشه ای عوامل متحرک که در این مقاله مورد بحث قرار گرفت .
شامل 17 صفحه فایل word قابل ویرایش
دانلود مقاله الگوریتم بهینه سازی اصلاح شده اجتماع مورچه ای برای حل مشکل بهینه سازی ترکیبی پیچیده
